新版搜索下载系统内测,不限量免费下载(免费至7月1日)(点击打开新版

基于SVD的协同过滤推荐算法研究

资料来自用户(Nicole)上传,若本站收录的文献无意侵犯了您的著作版权,请点击版权申明
导师姓名
冯军焕
学科专业
软件工程
文献出处
西南交通大学   2015年
关键词
个性化推荐论文  协同过滤论文  隐语义模型论文
论文摘要

随着互联网的迅猛发展,网络数据呈现爆炸式的增长,其结构也变得越加复杂,越来越多的信息充斥着网络,人们面临着“信息过载”。以个性化推荐技术为代表的推荐系统能够提供一种有效的机制,使用户可以高效获取需要的信息。协同过滤推荐算法是目前应用最成功的个性化推荐技术,其利用目标用户的相似用户对某一物品的评价,形成该目标用户对此物品的评价预测。然而,随着信息的不断膨胀,协同过滤推荐技术面临着越来越大的挑战。其中,数据稀疏、可扩展、冷启动等是协同过滤面临的主要问题。本文针对协同过滤推荐技术中的数据稀疏性和可扩展性问题,对SVD算法、SVD算法衍生的隐语义模型和传统的协同过滤推荐算法进行了深入的研究。首先,本文对个性化推荐技术的发展背景、体系结构进行了深入研究,其中对相似度度量方法和推荐性能度量标准作详细介绍。深入研究了传统协同过滤推荐算法:基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。对这两种推荐算法的实现原理进行了详细的说明,同时也分析了它们的缺陷。其次,深入研究了基于矩阵分解的SVD推荐算法,着重介绍了算法的实现步骤,并分析了其存在的不足。隐语义模型利用梯度下降法改进了SVD算法,解决了其面临的问题。同时,文章还介绍了其他一些基于SVD改进的算法。最后,由于隐语义模型在迭代学习的过程中丢失部分特征数据,本文利用KNN算法来修正遗失的信息,进而提出了两种基于KNN与隐语义模型的融合推荐算法。将改进的融合推荐算法、隐语义模型和传统的协同过滤推荐算法在数据集上进行试验,并对试验结果进行对比分析,从而验证提出的融合算法的有效性。

论文目录
关闭目录

摘要

Abstract

第1章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 研究目标、内容与方法

1.3.1 课题研究目标

1.3.2 课题研究内容

1.3.3 课题研究方法

1.4 本文组织结构

第2章 个性化推荐系统及相关技术

2.1 个性化推荐系统

2.2 个性化推荐算法分类

2.2.1 协同过滤推荐

2.2.2 基于内容的推荐

2.2.3 基于知识的推荐

2.2.4 基于图的推荐

2.2.5 基于网络结构的推荐

2.2.6 融合推荐

2.3 协同过滤推荐算法

2.3.1 评分矩阵

2.3.2 相似度

2.4 核心算法

2.5 协同过滤推荐算法面临的问题

2.6 推荐系统性能度量标准

2.6.1 预测准确度

2.6.2 分类准确度

2.6.3 其他的评估标准

第3章 SVD算法研究与改进

3.1 SVD基本算法

3.1.1 SVD提出背景

3.1.2 SVD算法原理

3.2 隐语义模型

3.2.1 梯度下降法

3.2.2 隐语义模型实现原理

3.2.3 隐含特征向量矩阵初始化方法改进

3.3 其他改进的SVD算法

3.3.1 基于学习率调整策略的LFM

3.3.2 Sigmoid SVD

3.3.3 BiasSVD

第4章 融合KNN与隐语义模型的推荐算法

4.1 融合算法的提出

4.2 模型融合简介

4.3 改进相似度的KNN算法

4.4 融合KNN与隐语义模型的推荐算法

4.4.1 以KNN作为修正项的隐语义模型

4.4.2 以隐含特征进行相似度度量的隐语义模型

4.5 改进的融合推荐算法流程

4.5.1 以KNN作为修正项的隐语义模型流程

4.5.2 以隐含特征进行相似度度量的隐语义模型

第5章 实验结果及分析

5.1 实验数据集

5.2 实验设计与算法评测

5.2.1 实验设计

5.2.2 算法推荐质量度量指标

5.3 实验结果与分析

结论与展望

致谢

参考文献

攻读硕士学位期间发表的论文

全文下载
全文下载